Pandas数据分箱：pd.cut与pd.qcut等宽等频离散化

脚本专家

把连续数值切成若干区间（分箱、离散化）是数据预处理里最常见的一步：成绩分等级、金额分档、年龄分段、销量分层都要用它。pandas 给出了两个入口函数：pd.cut() 按数值宽度切分，pd.qcut() 按样本频率切分。下面结合一段可复现的示例数据，把两个函数的参数含义、输出形态和统计方式讲清楚。

一、准备示例数据

先构造一列 0~100 之间的整数分数，固定随机种子保证结果可复现：

2. import pandas as pd
3. import numpy as np
5. np.random.seed(42)          # 固定随机种子，结果可复现
6. data = pd.Series(np.random.randint(0, 101, size=10), name="score")
7. print("原始数据：")
8. print(data)

复制代码

后面的所有分箱操作都复用这列 data。

二、pd.cut()：按区间宽度做等宽分箱

pd.cut() 的切分依据是数值范围本身，每个箱子的宽度相同，适合分布相对均匀、业务上按数值区间划分的场景。

1. 只传整数 bins

2. bins_1 = pd.cut(data, bins=5)
3. print(bins_1)

复制代码

bins=5 表示把数据的最小值到最大值之间均分成 5 段等宽区间，默认标签是原始区间字符串，形如 (a, b]，即左开右闭。返回值不是普通字符串，而是 category 类型，其 Categories 信息会写明区间个数与区间类型，例如 Categories (5, interval[int64, right])，并保持区间从小到大的有序关系，便于后续比较和排序。

2. 自定义边界加业务标签

当分档规则由业务确定（考试等级、会员等级、风险档位）时，直接给出边界列表比自动等分更可控：

2. bins = [0, 60, 70, 80, 90, 100]                      # 自定义分数区间
3. labels = ["不及格", "及格", "良好", "优秀", "满分"]   # 与区间一一对应的标签
4. bins_2 = pd.cut(data, bins=bins, labels=labels, include_lowest=True)
5. print(bins_2)

复制代码

这里的三个参数各有明确作用：

bins：列表长度是 N，切出的区间个数就是 N-1，边界值本身构成每个箱子的端点，不是箱子数。
labels：按区间顺序替换默认的区间字符串，长度必须等于区间个数，否则会报错；替换后 Categories 显示的是这些自定义标签的有序集合。
include_lowest=True：默认区间是左开右闭，最小值落在第一个区间的左端点上会被排除，该参数把第一个区间改为包含左端点，避免边界值变成 NaN。

3. 统计每个箱子的样本数

2. print(bins_2.value_counts())

复制代码

value_counts() 依据标签统计落入每个区间的样本数，输出直接可用于报表。由于结果是 category 类型，所有类别都会被保留，没有样本落入的区间会以 0 出现（示例数据中最高分段没有样本，统计结果里仍会列出该档并为 0），这样各档次人数一目了然，不会出现某一档凭空消失的情况。

三、pd.qcut()：按样本数量做等频分箱

当数据分布很不均匀（典型的收入、销量、订单金额等长尾分布）时，等宽分箱会让大部分样本挤在一两个箱子里，另一些箱子为空。pd.qcut() 改为按分位数切分，每个箱子包含的样本数量大致相等：

2. # 1. 等频分箱：分成 4 个箱子
3. q_bins_1 = pd.qcut(data, q=4)
4. print(q_bins_1)
6. # 2. 等频分箱 + 自定义标签
7. q_labels = ["低分段", "中低分段", "中高分段", "高分段"]
8. q_bins_2 = pd.qcut(data, q=4, labels=q_labels)
9. print(q_bins_2)
11. # 统计每个频段的样本数
12. print(q_bins_2.value_counts())

复制代码

q=4 表示按 25%、50%、75% 的分位点把数据切成四段，每个箱子的样本数尽可能接近。关键差异在于：分箱边界不再由数值范围决定，而是由分位数计算得到，因此区间端点通常是浮点数，Categories 中显示为 interval[float64, right]；也就是说，同一份数据用 cut 切出的边界是等距的，用 qcut 切出的边界是等频的，箱子的宽度各不相同。

parameters 说明在这里同样简洁：q 既可以是整数（分成几等份），也可以给定分位点列表；labels 的用法与 cut 完全一致，用于把区间替换成易读的中文档位。

四、两种分箱方式怎么选

判断标准只有一个：你关心的是数值距离，还是样本数量。

业务规则明确、档位由数值区间定义（如 60 分及格、90 分优秀），用 pd.cut()，边界写死在 bins 里，可控性最好；
数据分布倾斜、需要保证每个箱子里样本量接近（建模时做特征分箱、分层抽样），用 pd.qcut()，避免出现空箱或极端不均衡的箱；
需要输出的结果带中文档位而非区间字符串时，两者都通过 labels 参数实现，输出的 category 可直接配合 value_counts() 做人数/占比统计。

五、边界、缺失值与结果类型

实际落地时最容易踩坑的是以下三点。

第一是区间开闭。pd.cut() 默认左开右闭，需要左闭右开时设置 right=False；分档边界与业务判定口径不一致时，务必先对齐这一点，否则恰好落在边界上的样本会被分错档。

2. bins_2 = pd.cut(data, bins=bins, labels=labels, include_lowest=True, right=False)  # 左闭右开

复制代码

第二是缺失值。如果原始列里含 NaN，分箱后这些位置仍然是 NaN，不会自动归入某个箱子。可以在分箱前用 fillna() 填充成指定值，也可以在统计阶段显式控制缺失值的处理：value_counts() 默认忽略 NaN，需要计入时设置 dropna=False。

第三是结果类型转换。分箱结果的 dtype 是 category，很多下游环节（导出 CSV、拼 SQL、写入模型特征）需要的是字符串或整数编码，可分别处理：

2. str_bins = bins_2.astype(str)    # category -> 字符串
3. code_bins = bins_2.cat.codes      # category -> 数值编码 0、1、2 ...

复制代码

cat.codes 按区间顺序给出 0 开始的整数编码，正好可以把有序分箱结果直接喂给模型；astype(str) 则保留标签文本，适合做展示和落库。

六、小结

pd.cut() 按数值宽度分箱，区间等距，适合分布均匀或业务规则明确的场景，配合 bins、labels、include_lowest、right 四个参数即可覆盖绝大多数分档需求；pd.qcut() 按样本数量分箱，区间等频，适合长尾分布数据，避免空箱。两者输出都是有序的 category，用 value_counts() 可以直接统计各箱样本量，再按需 astype(str) 或 cat.codes 转换类型，就能接上后续的报表或建模流程。

热心网友4

讲得很清楚，尤其是把“区间宽度”和“样本频率”这两个判断标准提炼出来，实际用的时候基本就是按这个来决定用 cut 还是 qcut 的。补充几点我踩过的坑，供参考。 cat.codes 那里有个细节值得留意：如果原始数据里有 NaN，分箱后对应位置是缺失值，cat.codes 会把它编码成 -1，而不是报错或者变成某个正常类别的编号。下游如果直接把这个编码喂给模型，等于凭空多出一个“-1 类”，最好在编码前先决定这些缺失样本是剔除、单独归为一档还是填充，别让它悄悄混进去。 qcut 在样本量小或者重复值特别多的时候容易出问题：分位点落在完全相同的数值上，边界不唯一，会直接抛 Bin edges must be unique 的错。这时可以加 duplicates=“drop” 让重复边界被丢弃，箱数会少于设定的 q，也可以用 rank(method=“first”) 先给重复值打破平局再分。另外等频只是“尽可能”等，整数分数这种重复值密集的数据，四个箱子的人数往往不会严格相等，这点做分层抽样时要留意比例是否真的对齐了。 cut 传整数 bins 时是按 min 到 max 均分的，只要有一个极端离群值，其余样本就会全挤在一两个箱子里，所以这种场景下要么先看分布、要么直接给自定义边界，会比自动等分稳得多。 还有 value_counts 在 category 上默认会把所有类别都列出来

热心网友4

感谢分享，写得很系统，尤其是把 cut 和 qcut 的适用场景和边界开闭这种容易踩的坑讲清楚了。我自己在这块也踩过几个坑，补充几点供参考： 一是 cat.codes 转整数编码时，如果原数据里有 NaN，对应位置的 code 会是 -1，直接拿去当类别特征喂模型会莫名其妙多出一个“类别”，最好先确认缺失情况或者显式替换掉。 二是 qcut 在数据有大量重复值时会报边界重复的错误，因为分位点重合了，这时候可以传 duplicates=“drop” 让它自动丢弃重复边界，箱数会少于预期，需要自己检查一下最终分了几箱。 三是切分边界被截断的问题，比如用浮点数算出来的边界再拿去做比较，可能出现恰好等于边界值却落不进任何区间的情况，这种时候思路和帖子里的 include_lowest、right 参数是一样的，先统一口径再统计。 另外楼主帖子最后一段好像没贴完，结果类型转换那里停在 cat.codes 后面，不知道是不是后面还有转换成整数区间或者还原边界的写法，如果有的话期待补全。

热心网友4

感谢分享，讲得很清楚。我之前一直分不清 cut 和 qcut，看到“关心的是数值距离，还是样本数量”这句就一下明白了，尤其是长尾数据用等宽分箱会把样本挤在一两个箱子里这个坑，我也踩过。 有个小问题想提一下：帖子第三部分“结果类型转换”最后一行好像被截断了，cat.codes 后面的内容没显示出来，方便的话能补全吗？正好我也想看看 category 转整数编码那部分。 另外想请教一下，qcut 在数据里重复值特别多的时候（比如一列里大量 0 或者同一个金额），分位点会重合导致报错，这种情况一般怎么处理？我隐约记得有个参数可以处理重复边界，但一直没弄清楚具体用法。还有楼主提到 value_counts 默认忽略 NaN，这个在实际做报表时确实容易被忽略，感谢提醒。